Введення
В даний час сучасний авіаційний ГТД і системи управління ним являють собою складну динамічну систему. Коректність і безпека функціонування такого об'єкта вимагають постійного і безперервного аналізу його параметрів. Класифікація і розпізнавання класів станів динамічної об'єкта необхідні для узгодження стратегії оптимального управління зі станом об'єкта. Ефективність контролю стану авіаційного двигуна істотно залежить від ймовірності правильного розпізнавання його технічного стану, яка безпосередньо впливає на якість систем управління експлуатацією ВМД, що в кінцевому підсумку визначає економічність і безпеку польотів. p align="justify"> Створення авіаційних газотурбінних двигунів 5-6 покоління тягне за собою ускладнення конструкції об'єкта і збільшення числа контрольованих параметрів, аналіз яких людиною - оператором пов'язаний з численними помилками контролю та прийняття рішень.
Дослідження в галузі створення автоматизованих систем контролю та діагностики технічного стану авіаційних ГТД показують недостатню обгрунтованість застосування систем, заснованих лише на одному з відомих методів діагностування, так як жоден з методів не є універсальним і абсолютно надійна. Природно, що подібні системи контролю та діагностики, побудовані на основі одного класифікатора, не зможуть повною мірою задовольнити зростаючі вимоги, які пред'являються до діагностування двигунів. Існує кілька напрямків, що визначають підвищення ефективності бортових технологій контролю стану ВМД. Основним напрямком слід вважати інтелектуалізацію процесів обробки інформації із залученням нейромережевих методів, які здатні забезпечити підвищення якості бортових алгоритмів контролю та діагностики технічного стану ГТД. p align="justify"> Нейронні мережі від класичних методів відрізняє швидкодію, універсальність, гнучкість в застосуванні, а також здатність до узагальнення інформації, висока робастність до зовнішніх збурень і здатність до прогнозування. При цьому актуальною проблемою на сьогоднішній день є комплексна діагностика ВМД на базі моделей нейронних мереж з прогнозом поточних ситуацій. p align="justify"> Мета роботи
Підвищення ефективності алгоритмів розпізнавання режимів роботи ГТД з використанням технології нейронних мереж.
Завдання дослідження
Для досягнення зазначеної мети в роботі сформульовані і вирішені наступні завдання:
Аналіз існуючих методів і методик розпізнавання режимів роботи ГТД.
Розробка методики класифікації режимів роботи ГТД. p align="justify"> Розробка програмного забезпечення, що реалізує методику класифікації режимів роботи ГТД.
Методи дослідження
Поставлені в дисертаційній роботі завдання вирішувалися з використанням методів системного аналізу, теорії газотурбінних двиг...
